Search

[ES] La endoscopia capsular (CE) es una ampliamente utilizada alternativa mínimamente invasiva a la endoscopia tradicional, que permite la visualización de todo el intestino delgado, mientras no es posible hacerlo fácilmente con los procedimientos más invasivos. Sin embargo, esos métodos tradicionales aún suelen ser la primera opción de tratamiento, ya que todavía existen desafíos importantes en el campo de la CE, incluyendo el tiempo necesario para el diagnóstico por vídeo después del procedimiento, el hecho de que la cápsula no se puede controlar activamente, la falta de consenso sobre una buena preparación del paciente y el coste alto. En esta tesis doctoral, nuestro objetivo es extraer más información de los procedimientos de endoscopía por cápsula para ayudar a aliviar estos problemas desde una perspectiva que parece estar subrepresentada en la investigación actual. Primero, como el objetivo principal en esta tesis, pretendemos desarrollar un método de evaluación de la limpieza en procedimientos de CE automático y objetivo para asistir la investigación médica en métodos de preparación de los pacientes. Específicamente, a pesar de que una preparación adecuada del paciente pueda ayudar a obtener una mejor visibilidad, los estudios sobre el método más efectivo son contradictorios debido a la ausencia de tal método. Por lo tanto, pretendemos proporcionar un método de ese tipo, capaz de presentar la limpieza en una escala intuitiva, con una novedosa arquitectura relativamente ligera de una red neuronal convolucional en su núcleo. Entrenamos este modelo en un conjunto de datos extensivo de más de 50,000 parches de imágenes, obtenidos de 35 procedimientos CE diferentes, y lo comparamos con métodos de clasificación del estado del arte. A partir de la clasificación, desarrollamos un método para automáticamente estimar las probabilidades a nivel de píxel y deducir los puntos en la escala de la evaluación de la limpieza a través de umbrales aprendidos. Después, validamos, [CA] L'endoscòpia capsular (CE) és una àmpliament utilitzada alternativa mínimament invasiva a l'endoscòpia tradicional, que permet la visualització de tot l'intestí prim, mentre no és possible fer-lo fàcilment amb els procediments més invasius. No obstant això, aqueixos mètodes tradicionals encara solen ser la primera opció de tractament, ja que encara existeixen desafiaments importants en el camp de la CE, incloent el temps necessari per al diagnòstic per vídeo després del procediment, el fet que la càpsula no es pot controlar activament, la falta de consens sobre una bona preparació del pacient i el cost alt. En aquesta tesi doctoral, el nostre objectiu és extraure més informació dels procediments de endoscopía per càpsula per a ajudar a alleujar aquests problemes des d'una perspectiva que sembla estar subrepresentada en la investigació actual. Primer, com l'objectiu principal en aquesta tesi, pretenem desenvolupar un mètode d'avaluació de la neteja en procediments de CE automàtic i objectiu per a assistir la investigació mèdica en mètodes de preparació dels pacients. Específicament, a pesar que una preparació adequada del pacient puga ajudar a obtindre una millor visibilitat, els estudis sobre el mètode més efectiu són contradictoris a causa de l'absència de tal mètode. Per tant, pretenem proporcionar un mètode d'aqueix tipus, capaç de presentar la neteja en una escala intuïtiva, amb una nova arquitectura relativament lleugera d'una xarxa neuronal convolucional en el seu nucli. Entrenem aquest model en un conjunt de dades extensiu de més de 50,000 pegats d'imatges, obtinguts de 35 procediments CE diferents, i el comparem amb mètodes de classificació de l'estat de l'art. A partir de la classificació, desenvolupem un mètode per a automàticament estimar les probabilitats a nivell de píxel i deduir els punts en l'escala de l'avaluació de la neteja a través de llindars apresos. Després, validem el nostre mètode en un entorn clínic en 30 vídeos de CE obtinguts novamen, [EN] Capsule endoscopy (CE) is a widely used, minimally invasive alternative to traditional endoscopy that allows visualisation of the entire small intestine, whereas more invasive procedures cannot easily do this. However, those traditional methods are still commonly the first choice of treatment for gastroenterologists as there are still important challenges surrounding the field of CE. Among others, these include the time consuming video diagnosis following the procedure, the fact that the capsule cannot be actively controlled, lack of consensus on good patient preparation and the high cost. In this doctoral thesis, we aim to extract more information from capsule endoscopy procedures to aid in alleviating these issues from a perspective that appears to be under-represented in current research. First, and as the main objective in this thesis, we aim to develop an objective, automatic cleanliness evaluation method in CE procedures to aid medical research in patient preparation methods. Namely, even though adequate patient preparation can help to obtain a cleaner intestine and thus better visibility in the resulting videos, studies on the most effective preparation method are conflicting due to the absence of such a method. Therefore, we aim to provide such a method, capable of presenting results on an intuitive scale, with a relatively light-weight novel convolutional neural network architecture at its core. We trained this model on an extensive data set of over 50,000 image patches, collected from 35 different CE procedures, and compared it with state-of-the-art classification methods. From the patch classification results, we developed a method to automatically estimate pixel-level probabilities and deduce cleanliness evaluation scores through automatically learnt thresholds. We then validated our method in a clinical setting on 30 newly collected CE videos, comparing the resulting scores to those independently assigned by human specialists. We obtained the highe

[EN] Capsule endoscopy (CE) is a widely used, minimally invasive alternative to traditional endoscopy that allows visualisation of the entire small intestine. Patient preparation can help to obtain a cleaner intestine and thus better visibility in the resulting videos. However, studies on the most effective preparation method are conflicting due to the absence of objective, automatic cleanliness evaluation methods. In this work, we aim to provide such a method capable of presenting results on an intuitive scale, with a relatively light-weight novel convolutional neural network architecture at its core. We trained our model using 5-fold cross-validation on an extensive data set of over 50,000 image patches, collected from 35 different CE procedures, and compared it with state-of-the-art classification methods. From the patch classification results, we developed a method to automatically estimate pixel-level probabilities and deduce cleanliness evaluation scores through automatically learnt thresholds. We then validated our method in a clinical setting on 30 newly collected CE videos, comparing the resulting scores to those independently assigned by human specialists. We obtained the highest classification accuracy for the proposed method (95.23%), with significantly lower average prediction times than for the second-best method. In the validation of our method, we found acceptable agreement with two human specialists compared to interhuman agreement, showing its validity as an objective evaluation method.

In capsule endoscopy (CE), preparation of the small bowel before the procedure is believed to increase visibility of the mucosa for analysis. However, there is no consensus on the best method of preparation, while comparison is difficult due to the absence of an objective automated evaluation method. The method presented here aims to fill this gap by automatically detecting regions in frames of CE videos where the mucosa is covered by bile, bubbles and remainders of food. We implemented two different machine learning techniques for supervised classification of patches: one based on hand-crafted feature extraction and Support Vector Machine classification and the other based on fine-tuning different convolutional neural network (CNN) architectures, concretely VGG-16 and VGG-19. Using a data set of approximately 40,000 image patches obtained from 35 different patients, our best model achieved an average detection accuracy of 95.15% on our test patches, which is similar to significantly more complex detection methods used for similar purposes. We then estimate the probabilities at a pixel level by interpolating the patch probabilities and extract statistics from these, both on per-frame and per-video basis, intended for comparison of different videos.

Wireless Capsule Endoscopy is a technique that allows for observation of the entire gastrointestinal tract in an easy and non-invasive way. However, its greatest limitation lies in the time required to analyze the large number of images generated in each examination for diagnosis, which is about 2 hours. This causes not only a high cost, but also a high probability of a wrong diagnosis due to the physician’s fatigue, while the variable appearance of abnormalities requires continuous concentration. In this work, we designed and developed a system capable of automatically detecting blood based on classification of extracted regions, following two different classification approaches. The first method consisted in extraction of hand-crafted features that were used to train machine learning algorithms, specifically Support Vector Machines and Random Forest, to create models for classifying images as healthy tissue or blood. The second method consisted in applying deep learning techniques, concretely convolutional neural networks, capable of extracting the relevant features of the image by themselves. The best results (95.7% sensitivity and 92.3% specificity) were obtained for a Random Forest model trained with features extracted from the histograms of the three HSV color space channels. For both methods we extracted square patches of several sizes using a sliding window, while for the first approach we also implemented the waterpixels technique in order to improve the classification results

La cápsula endoscópica es una cápsula con una camera que se usa para grabar imágenes internas del tracto gastrointestinal, específicamente el esófago, el estómago, el duodeno y el intestino delgado. Usando esta técnica, médicos pueden analizar el parte del intestino no accesible con endoscopia tradicional. Sin embargo, patologías encontradas durante el análisis del video son difíciles de localizar exactamente en el intestino. Aunque los modelos más nuevos tienen sensores de radiofrecuencia para grabar las coordenadas, no suelen aportar suficiente información, porque que el intestino se mueve continuamente y por la estructura entrelazado del intestino. El objetivo de este TFM es desarrollar técnicas basadas en análisis de imágenes que pueden contribuir a la localización de la cápsula, estimando la posición y las distancias de ciertos puntos conocidos, como por ejemplo la salida del estómago. En este proyecto se detectará automáticamente en las imágenes el túnel, usando diferentes métodos de segmentación de imagen y extracción de características y clasificación, y se programarán métodos para su seguimiento. Las imágenes y los vídeos requeridos para la implementación y para testear los algoritmos desarrollados serán obtenidos tras cooperación con hospital La Fe., The wireless endoscopic capusle (known as WCE) offers an investigation of the small intestine by a non-invasive, non-painful and patient-friendly method. One of the most critical components at the time of examination of the intestine, by the capsule, is the location of the same. This information would facilitate the exact position of an injury once it has been detected in the video. To define the position of the capsule it is necessart to make an internal map of the body. For this purpose, it is necessary to merge two sources of information: the images from the camera embedded in the capsule and RF signal emitted by it. This Master Final Project focuses on the study of the first source of information. The work can be structured in two large blocks: location images, which involve the movement of the capsule, and the estimation of movement between two consecutive images that satisfy the first condition. In the first block we have studied different types of descriptors that better differentiate the images that involve movement of the capsule and those that do not. Subsequently, a Machine Learning algorithm has been implemented to determinate whether a new image corresponds to one class or another. In the second block, we have studied the features with which you can best describe the amount of movement betweeen two consecutive images and thus, predict the speed at which the capsule moves. All the tests have been done with videos provided by the La Fe Hospital in València.

[ES] La endoscopia por cápsula endoscópica inalámbrica permite observar el tracto gastrointestinal completo de forma sencilla y no invasiva. Sin embargo, se genera una gran cantidad de imágenes por examen que los médicos tardan aproximadamente 2 horas en analizar. Esto no solo supone un elevado coste, sino que el diagnóstico puede ser erróneo debido a la fatiga y a la naturaleza variable de las lesiones, que exige una alta concentración. En el presente trabajo se diseña y desarrolla un sistema capaz de detectar automáticamente aquellas imágenes que contienen sangre, siguiendo dos enfoques distintos. El primero consiste en escoger y extraer ciertas características de color de las imágenes con las que entrenar modelos de aprendizaje automático clásico (SVM y Random Forest) que permitan distinguir entre tejido sano y sangre. Además, se implementa la técnica de segmentación “waterpixels” para tratar de mejorar la clasificación. El segundo método consiste en utilizar técnicas de aprendizaje profundo (redes neuronales convolucionales), capaces de extraer las características relevantes de la imagen por sí solas. La configuración que ha obtenido los mejores resultados (95,7% de sensibilidad y 92,3% de especificidad) ha sido un modelo Random Forest entrenado con los histogramas de los canales del espacio de color HSV. Se desarrolla además una interfaz gráfica de usuario que implemente estos modelos para presentar al médico solamente aquellas imágenes de las cuales se sospecha que puedan contener sangre, consiguiendo así reducir considerablemente el coste de la técnica e incluso mejorar el diagnóstico., [CA] L’endoscòpia per càpsula endoscòpica inalàmbrica permet observar el tracte gastrointestinal complet de forma senzilla i no invasiva. No obstant això, es genera una gran quantitat d’imatges per examen que els metges tarden aproximadament 2 hores a analitzar. Això no només suposa un elevat cost, sinó que el diagnòstic pot ser erroni a causa de la fatiga i a la naturalesa variable de les lesions, que exigeix una alta concentració. En el present treball es dissenya i desenvolupa un sistema capaç de detectar automàticament aquelles imatges que contenen sang, seguint dos enfocaments diferents. El primer consisteix a triar i extraure certes característiques de color de les imatges amb les quals entrenar models d’aprenentatge automàtic clàssic (SVM i Random Forest) que permeten distingir entre teixit sa i sang. A més, s’implementa la tècnica de segmentació “waterpixels” per a tractar de millorar la classificació. El segon mètode consisteix a utilitzar tècniques d’aprenentatge profund (xarxes neuronals convolucionals), capaces d’extraure les característiques rellevants de la imatge per si soles. La configuració que ha obtingut els millors resultats (95,7% de sensibilitat i 92,3% d’especificitat) ha sigut un model Random Forest entrenat amb els histogrames dels canals de l’espai de color HSV. Es desenvolupa a més una interfície gràfica d’usuari que implemente aquests sistemes per a presentar al metge solament aquelles imatges de les quals se sospita que puguen contindre sang, aconseguint així reduir considerablement el cost de la tècnica i millorar el diagnòstic., [EN] Wireless Capsule Endoscopy is a technique that allows to observe the entire gastrointestinal tract in an easy and non-invasive way. However, its greatest limitation lies in the large number of images generated in each examination, which doctors take approximately 2 hours to analyze in order to make a diagnosis. This implies not only a higher cost, but sometimes the diagnosis given by the doctor can be wrong due to fatigue and the variable nature of the injuries, which requires a high concentration. In this project, a system capable of automatically detecting images containing blood is designed and developed, following two different approaches. The first one consists of manually extracting certain features of the images that will be used to train machine learning models that allow to classify images between healthy tissue and blood. More specifically, SVM (Support Vector Machine) and Random Forest models will be trained. In addition, the waterpixels technique is implemented in order to improve the results of the classification. The second method consists in applying the recently popularized deep learning techniques, more specifically, convolutional neural networks, capable of extracting the relevant features of the image by themselves. A graphic user interface which implements these systems is also developed, capable of showing the doctor only those images which are suspected to contain blood, thus greatly reducing the cost of the WCE technique and also improving the diagnosis.

La endoscopia por cápsula inalámbrica permite observar el tracto gastrointestinal completo de forma sencilla y no invasiva. Sin embargo, se genera una gran cantidad de imágenes por examen que los médicos tardan aproximadamente 2 horas en analizar. Esto no solo supone un elevado coste, sino que el diagnóstico puede ser erróneo debido a la fatiga y a la naturaleza variable de las lesiones, que exige una alta concentración. En el presente trabajo se diseña y desarrolla un sistema capaz de detectar automáticamente aquellas imágenes que contienen sangre, siguiendo dos enfoques distintos. El primero consiste en escoger y extraer ciertas características de color de las imágenes con las que entrenar modelos de aprendizaje automático clásico (SVM y Random Forest) que permitan distinguir entre tejido sano y sangre. Además, se implementa la técnica de segmentación “waterpixels” para tratar de mejorarla clasificación. El segundo método consiste en utilizar técnicas de aprendizaje profundo (redes neuronales convolucionales), capaces de extraer las características relevantes de la imagen por sí solas. La configuración que ha obtenido los mejores resultados (95,7% de sensibilidad y 92,3% de especificidad) ha sido un modelo Random Forest entrenado con los histogramas de los canales del espacio de color HSV